Análisis Exploratorio de Datos

Datos Combinados 2009-2022

1 Introducción

Este documento presenta un análisis exploratorio completo del conjunto de datos que abarca información del período 2009-2023.

1.1 Carga de Datos

datos <- read.csv("datos_combinados.csv", 
                  header = TRUE, 
                  stringsAsFactors = FALSE,
                  fileEncoding = "UTF-8")

Dataset cargado exitosamente ✓

---

2 Descripción General del Conjunto de Datos

2.1 Dimensiones del Conjunto

n_observaciones <- nrow(datos)
n_variables <- ncol(datos)

Resumen del Dataset:

• Observaciones: 41,623 registros
• Variables: 33 columnas
• Período: 2009-2023

2.2 Significado y Tipo de cada Variable

2.2.1 Diccionario de Datos

# Diccionario de datos - Significado de cada variable
diccionario_variables <- data.frame(
  Variable = c(
    "DEPREG", "MUPREG", "MESREG", "AÑOREG",
    "DEPOCU", "MUPOCU", "AREAG", 
    "SEXO", "DIAOCU", "MESOCU", "AÑOOCU",
    "TIPAR", "CLAPAR", "VIAPAR",
    "SEMGES", "EDADM",
    "DEPREM", "MUPREM", "GRETNM", "ESCIVM", 
    "NACIOM", "OCUPAM", "ESCOLAM",
    "PAISREM", "PUEBLOPM", "CIUOMAD", "NACIONM",
    "CAUDEF", "ASISREC", "SITIOOCU",
    "TOHITE", "TOHINM", "TOHIVI"
  ),
  Significado = c(
    "Departamento de registro",
    "Municipio de registro",
    "Mes de registro",
    "Año de registro",
    "Departamento de ocurrencia",
    "Municipio de ocurrencia",
    "Área geográfica (1=Urbana, 2=Rural)",
    "Sexo del fallecido (1=Masculino, 2=Femenino, 9=No especificado)",
    "Día de ocurrencia",
    "Mes de ocurrencia",
    "Año de ocurrencia",
    "Tipo de parto",
    "Clasificación del parto",
    "Vía del parto",
    "Semanas de gestación",
    "Edad de la madre (en años)",
    "Departamento de residencia de la madre",
    "Municipio de residencia de la madre",
    "Grupo étnico de la madre",
    "Estado civil de la madre",
    "Nacionalidad de la madre",
    "Ocupación de la madre",
    "Escolaridad de la madre (años de estudio)",
    "País de residencia de la madre",
    "Pueblo/comunidad indígena de la madre",
    "Ciudad o municipio de residencia de la madre",
    "Nacionalidad de la madre (código)",
    "Causa de defunción (código CIE-10)",
    "Asistencia recibida (1=Sí, 2=No)",
    "Sitio de ocurrencia del parto",
    "Total de hijos tenidos",
    "Total de hijos nacidos muertos",
    "Total de hijos nacidos vivos"
  ),
  stringsAsFactors = FALSE
)

diccionario_variables %>%
  kable(
    caption = "Tabla 1: Diccionario de Datos - Significado de Variables",
    col.names = c("Variable", "Descripción/Significado"),
    align = c('l', 'l')
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = TRUE,
    position = "center"
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#3498db") %>%
  scroll_box(width = "100%", height = "500px")

Tabla 1: Diccionario de Datos - Significado de Variables

Variable	Descripción/Significado
DEPREG	Departamento de registro
MUPREG	Municipio de registro
MESREG	Mes de registro
AÑOREG	Año de registro
DEPOCU	Departamento de ocurrencia
MUPOCU	Municipio de ocurrencia
AREAG	Área geográfica (1=Urbana, 2=Rural)
SEXO	Sexo del fallecido (1=Masculino, 2=Femenino, 9=No especificado)
DIAOCU	Día de ocurrencia
MESOCU	Mes de ocurrencia
AÑOOCU	Año de ocurrencia
TIPAR	Tipo de parto
CLAPAR	Clasificación del parto
VIAPAR	Vía del parto
SEMGES	Semanas de gestación
EDADM	Edad de la madre (en años)
DEPREM	Departamento de residencia de la madre
MUPREM	Municipio de residencia de la madre
GRETNM	Grupo étnico de la madre
ESCIVM	Estado civil de la madre
NACIOM	Nacionalidad de la madre
OCUPAM	Ocupación de la madre
ESCOLAM	Escolaridad de la madre (años de estudio)
PAISREM	País de residencia de la madre
PUEBLOPM	Pueblo/comunidad indígena de la madre
CIUOMAD	Ciudad o municipio de residencia de la madre
NACIONM	Nacionalidad de la madre (código)
CAUDEF	Causa de defunción (código CIE-10)
ASISREC	Asistencia recibida (1=Sí, 2=No)
SITIOOCU	Sitio de ocurrencia del parto
TOHITE	Total de hijos tenidos
TOHINM	Total de hijos nacidos muertos
TOHIVI	Total de hijos nacidos vivos

2.2.2 Clasificación Estadística de Variables

# Función para clasificar variables
clasificar_variable <- function(variable, nombre_var) {
  if(is.character(variable)) {
    return("Cualitativa - Nominal")
  }
  
  if(is.numeric(variable)) {
    valores_unicos <- length(unique(na.omit(variable)))
    total_valores <- length(na.omit(variable))
    ratio <- valores_unicos / total_valores
    
    variables_discretas <- c("SEXO", "DEPREG", "MUPREG", "MESREG", "DEPOCU", 
                             "MUPOCU", "AREAG", "TIPAR", "CLAPAR", "DEPREM",
                             "MUPREM", "GRETNM", "ESCIVM", "NACIOM", "OCUPAM",
                             "ASISREC", "SITIOOCU", "TOHITE", "TOHINM", "TOHIVI",
                             "VIAPAR", "ESCOLAM", "PAISREM", "PUEBLOPM", "NACIONM",
                             "DIAOCU", "MESOCU", "AÑOOCU", "AÑOREG")
    
    variables_continuas <- c("EDADM", "SEMGES")
    
    if(nombre_var %in% variables_discretas) {
      return("Cuantitativa - Discreta")
    } else if(nombre_var %in% variables_continuas) {
      return("Cuantitativa - Continua")
    } else {
      if(ratio < 0.05 || valores_unicos < 50) {
        return("Cuantitativa - Discreta")
      } else {
        return("Cuantitativa - Continua")
      }
    }
  }
  return("Otro")
}

# Crear tabla de información de variables
info_variables <- data.frame(
  Variable = names(datos),
  Tipo_R = sapply(datos, class),
  Clasificacion = sapply(names(datos), function(nom) {
    clasificar_variable(datos[[nom]], nom)
  }),
  Valores_Unicos = sapply(datos, function(x) length(unique(na.omit(x)))),
  Valores_NA = sapply(datos, function(x) sum(is.na(x))),
  Porcentaje_NA = round(sapply(datos, function(x) sum(is.na(x)) / length(x) * 100), 2)
)

# Mostrar tabla con formato mejorado
info_variables %>%
  kable(
    caption = "Tabla 2: Clasificación y Características de las Variables",
    col.names = c("Variable", "Tipo en R", "Clasificación Estadística", 
                  "Valores Únicos", "Valores NA", "% NA"),
    align = c('l', 'c', 'l', 'r', 'r', 'r')
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE,
    position = "center"
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#3498db") %>%
  scroll_box(width = "100%", height = "500px")

Tabla 2: Clasificación y Características de las Variables

	Variable	Tipo en R	Clasificación Estadística	Valores Únicos	Valores NA	% NA
DEPREG	DEPREG	numeric	Cuantitativa - Discreta	22	0	0.00
MUPREG	MUPREG	integer	Cuantitativa - Discreta	335	0	0.00
MESREG	MESREG	numeric	Cuantitativa - Discreta	12	0	0.00
AÑOREG	AÑOREG	numeric	Cuantitativa - Discreta	15	0	0.00
DEPOCU	DEPOCU	numeric	Cuantitativa - Discreta	22	0	0.00
MUPOCU	MUPOCU	integer	Cuantitativa - Discreta	311	0	0.00
AREAG	AREAG	numeric	Cuantitativa - Discreta	3	12695	30.50
SEXO	SEXO	numeric	Cuantitativa - Discreta	3	0	0.00
DIAOCU	DIAOCU	numeric	Cuantitativa - Discreta	31	0	0.00
MESOCU	MESOCU	numeric	Cuantitativa - Discreta	12	0	0.00
AÑOOCU	AÑOOCU	numeric	Cuantitativa - Discreta	11	9737	23.39
TIPAR	TIPAR	numeric	Cuantitativa - Discreta	4	0	0.00
CLAPAR	CLAPAR	numeric	Cuantitativa - Discreta	3	0	0.00
SEMGES	SEMGES	numeric	Cuantitativa - Continua	67	0	0.00
EDADM	EDADM	numeric	Cuantitativa - Continua	47	0	0.00
DEPREM	DEPREM	numeric	Cuantitativa - Discreta	25	0	0.00
MUPREM	MUPREM	integer	Cuantitativa - Discreta	341	0	0.00
GRETNM	GRETNM	numeric	Cuantitativa - Discreta	3	28590	68.69
ESCIVM	ESCIVM	numeric	Cuantitativa - Discreta	4	0	0.00
NACIOM	NACIOM	numeric	Cuantitativa - Discreta	18	22010	52.88
OCUPAM	OCUPAM	numeric	Cuantitativa - Discreta	72	28590	68.69
CAUDEF	CAUDEF	character	Cualitativa - Nominal	206	0	0.00
ASISREC	ASISREC	numeric	Cuantitativa - Discreta	6	0	0.00
SITIOOCU	SITIOOCU	numeric	Cuantitativa - Discreta	9	0	0.00
TOHITE	TOHITE	numeric	Cuantitativa - Discreta	21	351	0.84
TOHINM	TOHINM	numeric	Cuantitativa - Discreta	17	142	0.34
TOHIVI	TOHIVI	numeric	Cuantitativa - Discreta	19	258	0.62
VIAPAR	VIAPAR	numeric	Cuantitativa - Discreta	2	3233	7.77
ESCOLAM	ESCOLAM	numeric	Cuantitativa - Discreta	7	3233	7.77
PAISREM	PAISREM	numeric	Cuantitativa - Discreta	6	9876	23.73
PUEBLOPM	PUEBLOPM	numeric	Cuantitativa - Discreta	6	13033	31.31
CIUOMAD	CIUOMAD	character	Cualitativa - Nominal	74	0	0.00
NACIONM	NACIONM	numeric	Cuantitativa - Discreta	17	19613	47.12

2.2.3 Resumen por Tipo de Variable

resumen_tipos <- info_variables %>%
  group_by(Clasificacion) %>%
  summarise(
    Cantidad = n(),
    Porcentaje = round(n() / nrow(info_variables) * 100, 1)
  )

resumen_tipos %>%
  kable(
    caption = "Tabla 3: Distribución de Variables por Tipo",
    col.names = c("Clasificación", "Cantidad", "Porcentaje (%)"),
    align = c('l', 'r', 'r')
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover"),
    full_width = FALSE,
    position = "center"
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#2ecc71")

Tabla 3: Distribución de Variables por Tipo

Clasificación	Cantidad	Porcentaje (%)
Cualitativa - Nominal	2	6.1
Cuantitativa - Continua	2	6.1
Cuantitativa - Discreta	29	87.9

---

3 Exploración de Variables Numéricas

3.1 Medidas de Tendencia Central, Distribución y Orden

vars_numericas <- names(datos)[sapply(datos, is.numeric)]

resumen_numericas <- data.frame(
  Variable = character(),
  Media = numeric(),
  Mediana = numeric(),
  Desv_Est = numeric(),
  Min = numeric(),
  Max = numeric(),
  Q1 = numeric(),
  Q3 = numeric(),
  Asimetria = numeric(),
  Curtosis = numeric(),
  stringsAsFactors = FALSE
)

for(var in vars_numericas) {
  datos_var <- datos[[var]][!is.na(datos[[var]])]
  
  if(length(datos_var) > 0) {
    resumen_numericas <- rbind(resumen_numericas, data.frame(
      Variable = var,
      Media = mean(datos_var),
      Mediana = median(datos_var),
      Desv_Est = sd(datos_var),
      Min = min(datos_var),
      Max = max(datos_var),
      Q1 = quantile(datos_var, 0.25),
      Q3 = quantile(datos_var, 0.75),
      Asimetria = skewness(datos_var),
      Curtosis = kurtosis(datos_var)
    ))
  }
}

resumen_numericas %>%
  mutate(across(where(is.numeric), ~round(., 2))) %>%
  kable(
    caption = "Tabla 4: Estadísticas Descriptivas de Variables Numéricas",
    align = c('l', rep('r', 9))
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = TRUE,
    font_size = 11
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#e74c3c") %>%
  scroll_box(width = "100%", height = "400px")

Tabla 4: Estadísticas Descriptivas de Variables Numéricas

	Variable	Media	Mediana	Desv_Est	Min	Max	Q1	Q3	Asimetria	Curtosis
25%	DEPREG	8.70	9	6.14	1	22	2	14	0.16	1.76
25%1	MUPREG	874.42	901	615.18	101	2217	201	1415	0.16	1.75
25%2	MESREG	6.47	7	3.46	1	12	3	9	-0.02	1.78
25%3	AÑOREG	2015.09	2015	3.94	2009	2023	2012	2018	0.13	1.87
25%4	DEPOCU	8.70	9	6.14	1	22	2	14	0.16	1.76
25%5	MUPOCU	874.09	901	615.00	101	2215	201	1415	0.16	1.75
25%6	AREAG	2.03	1	2.42	1	9	1	2	2.45	7.23
25%7	SEXO	1.51	1	0.71	1	9	1	2	5.32	56.57
25%8	DIAOCU	15.64	16	8.76	1	31	8	23	0.02	1.81
25%9	MESOCU	6.50	7	3.45	1	12	3	9	-0.02	1.79
25%10	AÑOOCU	1812.91	2016	605.96	9	2022	2011	2019	-2.64	7.97
25%11	TIPAR	1.45	1	1.78	1	9	1	1	3.97	16.92
25%12	CLAPAR	1.64	1	1.77	1	9	1	2	3.69	15.48
25%13	SEMGES	71.30	37	168.45	1	999	32	40	5.25	28.96
25%14	EDADM	59.42	28	162.49	10	999	22	35	5.54	32.10
25%15	DEPREM	38.56	10	456.63	1	9999	4	16	21.69	473.22
25%16	MUPREM	1802.71	1020	2704.10	101	9999	409	1609	2.55	7.98
25%17	GRETNM	4.18	2	3.65	1	9	1	9	0.54	1.34
25%18	ESCIVM	1.99	1	2.02	1	9	1	2	2.98	10.59
25%19	NACIOM	446.38	320	1202.85	31	9999	320	320	7.79	61.87
25%20	OCUPAM	9393.85	9711	1498.07	1212	9999	9711	9712	-3.85	16.65
25%21	ASISREC	2.08	1	2.04	1	9	1	3	2.19	7.28
25%22	SITIOOCU	3.39	1	2.97	1	9	1	6	0.79	2.09
25%23	TOHITE	95.79	9	217.47	0	999	3	99	3.72	15.63
25%24	TOHINM	106.83	1	262.41	0	999	1	99	3.01	10.39
25%25	TOHIVI	87.81	4	218.90	0	999	1	99	3.74	15.74
25%26	VIAPAR	1.23	1	0.42	1	2	1	1	1.27	2.62
25%27	ESCOLAM	2.67	2	2.23	1	9	1	3	1.92	5.92
25%28	PAISREM	765.77	320	2028.72	84	9999	320	320	4.33	19.76
25%29	PUEBLOPM	3.04	1	2.54	1	9	1	4	1.19	3.58
25%30	NACIONM	551.47	320	1475.61	32	9999	320	320	6.24	40.01

Interpretación de Medidas:

• Media: Promedio aritmético de los datos
• Mediana: Valor central que divide los datos en dos partes iguales
• Desv. Est.: Medida de dispersión de los datos respecto a la media
• Q1 y Q3: Primer y tercer cuartil (25% y 75% de los datos)
• Asimetría: Indica si la distribución es simétrica (≈0), sesgada a derecha (>0) o izquierda (<0)
• Curtosis: Indica qué tan puntiaguda es la distribución (Normal ≈ 3)

3.2 Pruebas de Normalidad

pruebas_normalidad <- data.frame(
  Variable = character(),
  n = integer(),
  Shapiro_W = numeric(),
  Shapiro_pvalor = numeric(),
  KS_estadistico = numeric(),
  KS_pvalor = numeric(),
  Es_Normal = character(),
  stringsAsFactors = FALSE
)

for(var in vars_numericas) {
  datos_var <- datos[[var]][!is.na(datos[[var]])]
  n <- length(datos_var)
  
  if(n > 3 && n < 5000) {
    shapiro_test <- shapiro.test(datos_var)
    ks_test <- ks.test(datos_var, "pnorm", mean(datos_var), sd(datos_var))
    
    es_normal <- ifelse(shapiro_test$p.value > 0.05 && ks_test$p.value > 0.05, 
                        "✓ SÍ", "✗ NO")
    
    pruebas_normalidad <- rbind(pruebas_normalidad, data.frame(
      Variable = var,
      n = n,
      Shapiro_W = shapiro_test$statistic,
      Shapiro_pvalor = shapiro_test$p.value,
      KS_estadistico = ks_test$statistic,
      KS_pvalor = ks_test$p.value,
      Es_Normal = es_normal
    ))
  }
}

pruebas_normalidad %>%
  mutate(
    Shapiro_W = round(Shapiro_W, 4),
    Shapiro_pvalor = format.pval(Shapiro_pvalor, digits = 3),
    KS_estadistico = round(KS_estadistico, 4),
    KS_pvalor = format.pval(KS_pvalor, digits = 3)
  ) %>%
  kable(
    caption = "Tabla 5: Pruebas de Normalidad (α = 0.05)",
    col.names = c("Variable", "n", "W", "p-valor", "D", "p-valor", "Normal"),
    align = c('l', 'r', 'r', 'r', 'r', 'r', 'c')
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover"),
    full_width = FALSE
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#9b59b6") %>%
  add_header_above(c(" " = 2, "Shapiro-Wilk" = 2, "Kolmogorov-Smirnov" = 2, " " = 1)) %>%
  scroll_box(width = "100%", height = "400px")

Tabla 5: Pruebas de Normalidad (α = 0.05)

		Shapiro-Wilk		Kolmogorov-Smirnov
Variable	n	W	p-valor	D	p-valor	Normal
NA	NA	NA	NA	NA	NA	NA
:——–	–:	–:	——-:	–:	——-:	:——:

Interpretación:

• Variables normales: 0 de 0
• Variables NO normales: 0 de 0

Si p-valor < 0.05, rechazamos la hipótesis de normalidad. La mayoría de las variables no siguen una distribución normal, lo cual es común en datos de registros administrativos.

3.3 Gráficos de Normalidad

3.3.1 Gráficos Q-Q

vars_clave <- c("EDADM", "SEMGES", "AÑOREG", "MESREG", "SEXO")
vars_graficar <- vars_clave[vars_clave %in% vars_numericas]

par(mfrow = c(2, 3), mar = c(4, 4, 3, 1))

for(var in vars_graficar) {
  datos_var <- datos[[var]][!is.na(datos[[var]])]
  qqnorm(datos_var, main = paste("Q-Q Plot:", var), 
         col = "#3498db", pch = 20, cex = 0.5)
  qqline(datos_var, col = "#e74c3c", lwd = 2)
}

par(mfrow = c(1, 1))

3.3.2 Histogramas

par(mfrow = c(2, 3), mar = c(4, 4, 3, 1))

for(var in vars_graficar) {
  datos_var <- datos[[var]][!is.na(datos[[var]])]
  
  hist(datos_var, 
       probability = TRUE,
       main = paste("Histograma:", var),
       xlab = var,
       col = "#3498db",
       border = "white",
       las = 1)
  
  curve(dnorm(x, mean = mean(datos_var), sd = sd(datos_var)), 
        add = TRUE, col = "#e74c3c", lwd = 2)
  
  lines(density(datos_var), col = "#2ecc71", lwd = 2)
  
  legend("topright", 
         legend = c("Normal teórica", "Densidad real"),
         col = c("#e74c3c", "#2ecc71"), 
         lwd = 2, cex = 0.7, bty = "n")
}

par(mfrow = c(1, 1))

3.4 Tipo de Distribución

identificar_distribucion <- function(asimetria, curtosis) {
  if(abs(asimetria) < 0.5 && abs(curtosis - 3) < 0.5) {
    return("📊 Aproximadamente Normal")
  } else if(asimetria > 1) {
    return("📈 Sesgada a la derecha")
  } else if(asimetria < -1) {
    return("📉 Sesgada a la izquierda")
  } else if(curtosis > 4) {
    return("🔺 Leptocúrtica")
  } else if(curtosis < 2) {
    return("🔻 Platicúrtica")
  } else {
    return("〰️ Asimétrica")
  }
}

resumen_numericas$Tipo_Distribucion <- mapply(
  identificar_distribucion,
  resumen_numericas$Asimetria,
  resumen_numericas$Curtosis
)

resumen_numericas %>%
  select(Variable, Asimetria, Curtosis, Tipo_Distribucion) %>%
  mutate(
    Asimetria = round(Asimetria, 2),
    Curtosis = round(Curtosis, 2)
  ) %>%
  kable(
    caption = "Tabla 6: Clasificación de Distribuciones",
    col.names = c("Variable", "Asimetría", "Curtosis", "Tipo de Distribución"),
    align = c('l', 'r', 'r', 'l')
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover"),
    full_width = FALSE
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#f39c12") %>%
  scroll_box(width = "100%", height = "400px")

Tabla 6: Clasificación de Distribuciones

	Variable	Asimetría	Curtosis	Tipo de Distribución
25%	DEPREG	0.16	1.76	🔻 Platicúrtica |
25%1	MUPREG	0.16	1.75	🔻 Platicúrtica |
25%2	MESREG	-0.02	1.78	🔻 Platicúrtica |
25%3	AÑOREG	0.13	1.87	🔻 Platicúrtica |
25%4	DEPOCU	0.16	1.76	🔻 Platicúrtica |
25%5	MUPOCU	0.16	1.75	🔻 Platicúrtica |
25%6	AREAG	2.45	7.23	📈 Sesgada a la derecha |
25%7	SEXO	5.32	56.57	📈 Sesgada a la derecha |
25%8	DIAOCU	0.02	1.81	🔻 Platicúrtica |
25%9	MESOCU	-0.02	1.79	🔻 Platicúrtica |
25%10	AÑOOCU	-2.64	7.97	📉 Sesgada a la izquierda |
25%11	TIPAR	3.97	16.92	📈 Sesgada a la derecha |
25%12	CLAPAR	3.69	15.48	📈 Sesgada a la derecha |
25%13	SEMGES	5.25	28.96	📈 Sesgada a la derecha |
25%14	EDADM	5.54	32.10	📈 Sesgada a la derecha |
25%15	DEPREM	21.69	473.22	📈 Sesgada a la derecha |
25%16	MUPREM	2.55	7.98	📈 Sesgada a la derecha |
25%17	GRETNM	0.54	1.34	🔻 Platicúrtica |
25%18	ESCIVM	2.98	10.59	📈 Sesgada a la derecha |
25%19	NACIOM	7.79	61.87	📈 Sesgada a la derecha |
25%20	OCUPAM	-3.85	16.65	📉 Sesgada a la izquierda |
25%21	ASISREC	2.19	7.28	📈 Sesgada a la derecha |
25%22	SITIOOCU	0.79	2.09	〰️ Asimétrica
25%23	TOHITE	3.72	15.63	📈 Sesgada a la derecha |
25%24	TOHINM	3.01	10.39	📈 Sesgada a la derecha |
25%25	TOHIVI	3.74	15.74	📈 Sesgada a la derecha |
25%26	VIAPAR	1.27	2.62	📈 Sesgada a la derecha |
25%27	ESCOLAM	1.92	5.92	📈 Sesgada a la derecha |
25%28	PAISREM	4.33	19.76	📈 Sesgada a la derecha |
25%29	PUEBLOPM	1.19	3.58	📈 Sesgada a la derecha |
25%30	NACIONM	6.24	40.01	📈 Sesgada a la derecha |

---

4 Exploración de Variables Categóricas

4.1 Variables Categóricas Identificadas

vars_categoricas <- c()

for(var in names(datos)) {
  if(is.character(datos[[var]])) {
    vars_categoricas <- c(vars_categoricas, var)
  } else if(is.numeric(datos[[var]])) {
    n_unicos <- length(unique(na.omit(datos[[var]])))
    if(n_unicos < 20) {
      vars_categoricas <- c(vars_categoricas, var)
    }
  }
}

Total de variables categóricas identificadas: 22

Variables: MESREG, AÑOREG, AREAG, SEXO, MESOCU, AÑOOCU, TIPAR, CLAPAR, GRETNM, ESCIVM, …

4.2 Tablas de Frecuencia

crear_tabla_frecuencias <- function(variable, nombre_var) {
  tabla <- as.data.frame(table(variable, useNA = "ifany"))
  colnames(tabla) <- c(nombre_var, "Frecuencia")
  
  tabla$Freq_Relativa <- tabla$Frecuencia / sum(tabla$Frecuencia)
  tabla$Porcentaje <- round(tabla$Freq_Relativa * 100, 2)
  tabla$Freq_Acumulada <- cumsum(tabla$Frecuencia)
  tabla$Porc_Acumulado <- round(cumsum(tabla$Freq_Relativa) * 100, 2)
  
  return(tabla)
}

4.2.1 SEXO

if("SEXO" %in% names(datos)) {
  tabla <- crear_tabla_frecuencias(datos$SEXO, "SEXO")
  
  tabla %>%
    kable(
      caption = "Tabla 7: Distribución de Frecuencias - SEXO",
      align = c('c', 'r', 'r', 'r', 'r', 'r')
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = FALSE,
      position = "center"
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#3498db")
  
  # Gráfico
  ggplot(datos, aes(x = factor(SEXO), fill = factor(SEXO))) +
    geom_bar(color = "black") +
    geom_text(stat = 'count', aes(label = ..count..), vjust = -0.5, size = 5) +
    scale_fill_manual(values = c("#3498db", "#e74c3c", "#95a5a6")) +
    labs(
      title = "Distribución por Sexo",
      x = "Sexo (1=Masculino, 2=Femenino, 9=No especificado)",
      y = "Frecuencia"
    ) +
    theme_minimal() +
    theme(
      legend.position = "none",
      plot.title = element_text(hjust = 0.5, face = "bold", size = 14)
    )
}

4.2.2 ASISREC

if("ASISREC" %in% names(datos)) {
  tabla <- crear_tabla_frecuencias(datos$ASISREC, "ASISREC")
  
  tabla %>%
    kable(
      caption = "Tabla 8: Distribución de Frecuencias - ASISREC (Asistencia Recibida)",
      align = c('c', 'r', 'r', 'r', 'r', 'r')
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = FALSE,
      position = "center"
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#2ecc71")
}

Tabla 8: Distribución de Frecuencias - ASISREC (Asistencia Recibida)

ASISREC	Frecuencia	Freq_Relativa	Porcentaje	Freq_Acumulada	Porc_Acumulado
1	28892	0.6941355	69.41	28892	69.41
2	661	0.0158806	1.59	29553	71.00
3	6129	0.1472503	14.73	35682	85.73
4	284	0.0068232	0.68	35966	86.41
5	3490	0.0838479	8.38	39456	94.79
9	2167	0.0520626	5.21	41623	100.00

4.2.3 SITIOOCU

if("SITIOOCU" %in% names(datos)) {
  tabla <- crear_tabla_frecuencias(datos$SITIOOCU, "SITIOOCU")
  
  tabla %>%
    kable(
      caption = "Tabla 9: Distribución de Frecuencias - SITIOOCU (Sitio de Ocurrencia)",
      align = c('c', 'r', 'r', 'r', 'r', 'r')
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = FALSE,
      position = "center"
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#9b59b6")
}

Tabla 9: Distribución de Frecuencias - SITIOOCU (Sitio de Ocurrencia)

SITIOOCU	Frecuencia	Freq_Relativa	Porcentaje	Freq_Acumulada	Porc_Acumulado
1	21784	0.5233645	52.34	21784	52.34
2	2335	0.0560988	5.61	24119	57.95
3	1074	0.0258030	2.58	25193	60.53
4	2229	0.0535521	5.36	27422	65.88
5	62	0.0014896	0.15	27484	66.03
6	8341	0.2003940	20.04	35825	86.07
7	18	0.0004325	0.04	35843	86.11
8	76	0.0018259	0.18	35919	86.30
9	5704	0.1370396	13.70	41623	100.00

4.2.4 CAUDEF

if("CAUDEF" %in% names(datos)) {
  tabla <- crear_tabla_frecuencias(datos$CAUDEF, "CAUDEF")
  
  # Mostrar top 20
  tabla_top20 <- head(tabla[order(-tabla$Frecuencia), ], 20)
  
  tabla_top20 %>%
    kable(
      caption = "Tabla 10: Top 20 Causas de Defunción más Frecuentes",
      align = c('l', 'r', 'r', 'r', 'r', 'r')
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = FALSE,
      position = "center"
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#e74c3c") %>%
    scroll_box(width = "100%", height = "500px")
  
  # Gráfico Top 15
  top15 <- head(tabla[order(-tabla$Frecuencia), ], 15)
  
  ggplot(top15, aes(x = reorder(CAUDEF, Frecuencia), y = Frecuencia)) +
    geom_bar(stat = "identity", fill = "#e74c3c", color = "black") +
    coord_flip() +
    geom_text(aes(label = Frecuencia), hjust = -0.2, size = 3.5) +
    labs(
      title = "Top 15 Causas de Defunción",
      x = "Código de Causa",
      y = "Frecuencia"
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
      axis.text.y = element_text(size = 10)
    )
}

---

5 Gráficos Exploratorios

A continuación se presentan gráficos exploratorios que permiten visualizar el estado general de los datos, identificar patrones, valores atípicos y distribuciones antes de profundizar en relaciones entre variables.

5.1 Distribución de Variables Numéricas Clave

5.1.1 Boxplots Comparativos

vars_boxplot <- c("EDADM", "SEMGES", "TOHITE", "TOHINM", "TOHIVI")
vars_boxplot <- vars_boxplot[vars_boxplot %in% names(datos)]

if(length(vars_boxplot) > 0) {
  datos_long <- datos %>%
    select(all_of(vars_boxplot)) %>%
    pivot_longer(cols = everything(), names_to = "Variable", values_to = "Valor") %>%
    filter(!is.na(Valor), Valor < 900)
  
  ggplot(datos_long, aes(x = Variable, y = Valor, fill = Variable)) +
    geom_boxplot(outlier.color = "#e74c3c", outlier.alpha = 0.3, outlier.size = 0.8) +
    stat_summary(fun = mean, geom = "point", shape = 18, size = 3, color = "black") +
    scale_fill_brewer(palette = "Set2") +
    labs(
      title = "Boxplots de Variables Numéricas Clave",
      subtitle = "Se excluyen códigos especiales (≥900). El diamante negro indica la media.",
      x = NULL, y = "Valor"
    ) +
    theme_minimal(base_size = 13) +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold"),
      plot.subtitle = element_text(hjust = 0.5, size = 10, color = "gray40"),
      legend.position = "none"
    )
}

5.1.2 Densidades Superpuestas

vars_densidad <- c("EDADM", "SEMGES")
vars_densidad <- vars_densidad[vars_densidad %in% names(datos)]

if(length(vars_densidad) > 0) {
  plots_densidad <- list()
  
  for(v in vars_densidad) {
    datos_filtrados <- datos %>%
      filter(!is.na(.data[[v]]), .data[[v]] < 900)
    
    p <- ggplot(datos_filtrados, aes(x = .data[[v]])) +
      geom_histogram(aes(y = after_stat(density)), bins = 40, 
                     fill = "#3498db", color = "white", alpha = 0.6) +
      geom_density(color = "#e74c3c", linewidth = 1.2) +
      geom_vline(aes(xintercept = mean(.data[[v]], na.rm = TRUE)), 
                 color = "#2c3e50", linetype = "dashed", linewidth = 0.8) +
      geom_vline(aes(xintercept = median(.data[[v]], na.rm = TRUE)), 
                 color = "#27ae60", linetype = "dotted", linewidth = 0.8) +
      labs(
        title = paste("Distribución de", v),
        subtitle = "Línea punteada = mediana | Línea discontinua = media",
        x = v, y = "Densidad"
      ) +
      theme_minimal(base_size = 12) +
      theme(plot.title = element_text(hjust = 0.5, face = "bold"),
            plot.subtitle = element_text(hjust = 0.5, size = 9, color = "gray40"))
    
    plots_densidad[[v]] <- p
  }
  
  do.call(grid.arrange, c(plots_densidad, ncol = length(plots_densidad)))
}

5.2 Composición de Variables Categóricas

5.2.1 Distribución por Sexo

if("SEXO" %in% names(datos)) {
  datos_sexo <- datos %>%
    filter(!is.na(SEXO)) %>%
    mutate(SEXO_label = case_when(
      SEXO == 1 ~ "Masculino",
      SEXO == 2 ~ "Femenino",
      SEXO == 9 ~ "No especificado",
      TRUE ~ as.character(SEXO)
    )) %>%
    count(SEXO_label) %>%
    mutate(porcentaje = round(n / sum(n) * 100, 1))
  
  ggplot(datos_sexo, aes(x = reorder(SEXO_label, -n), y = n, fill = SEXO_label)) +
    geom_col(width = 0.6, show.legend = FALSE) +
    geom_text(aes(label = paste0(format(n, big.mark = ","), "\n(", porcentaje, "%)")),
              vjust = -0.3, size = 4, fontface = "bold") +
    scale_fill_manual(values = c("Masculino" = "#3498db", "Femenino" = "#e91e63", 
                                 "No especificado" = "#95a5a6")) +
    labs(title = "Distribución por Sexo", x = NULL, y = "Frecuencia") +
    theme_minimal(base_size = 13) +
    theme(plot.title = element_text(hjust = 0.5, face = "bold")) +
    scale_y_continuous(expand = expansion(mult = c(0, 0.15)))
}

5.2.2 Área Geográfica

if("AREAG" %in% names(datos)) {
  datos_area <- datos %>%
    filter(!is.na(AREAG)) %>%
    mutate(AREAG_label = case_when(
      AREAG == 1 ~ "Urbana",
      AREAG == 2 ~ "Rural",
      TRUE ~ as.character(AREAG)
    )) %>%
    count(AREAG_label) %>%
    mutate(porcentaje = round(n / sum(n) * 100, 1))
  
  ggplot(datos_area, aes(x = "", y = n, fill = AREAG_label)) +
    geom_col(width = 1) +
    coord_polar(theta = "y") +
    geom_text(aes(label = paste0(AREAG_label, "\n", porcentaje, "%")),
              position = position_stack(vjust = 0.5), size = 5, fontface = "bold") +
    scale_fill_manual(values = c("Urbana" = "#2ecc71", "Rural" = "#f39c12")) +
    labs(title = "Distribución por Área Geográfica", fill = "Área") +
    theme_void(base_size = 13) +
    theme(plot.title = element_text(hjust = 0.5, face = "bold"))
}

5.2.3 Asistencia Recibida

if("ASISREC" %in% names(datos)) {
  datos_asis <- datos %>%
    filter(!is.na(ASISREC)) %>%
    mutate(ASISREC_label = case_when(
      ASISREC == 1 ~ "Sí recibió",
      ASISREC == 2 ~ "No recibió",
      TRUE ~ as.character(ASISREC)
    )) %>%
    count(ASISREC_label) %>%
    mutate(porcentaje = round(n / sum(n) * 100, 1))
  
  ggplot(datos_asis, aes(x = reorder(ASISREC_label, -n), y = n, fill = ASISREC_label)) +
    geom_col(width = 0.5, show.legend = FALSE) +
    geom_text(aes(label = paste0(format(n, big.mark = ","), "\n(", porcentaje, "%)")),
              vjust = -0.3, size = 4, fontface = "bold") +
    scale_fill_manual(values = c("Sí recibió" = "#27ae60", "No recibió" = "#c0392b")) +
    labs(title = "Asistencia Recibida durante el Parto", x = NULL, y = "Frecuencia") +
    theme_minimal(base_size = 13) +
    theme(plot.title = element_text(hjust = 0.5, face = "bold")) +
    scale_y_continuous(expand = expansion(mult = c(0, 0.15)))
}

5.3 Panorama Temporal

5.3.1 Registros por Año

if("AÑOREG" %in% names(datos)) {
  registros_anio <- datos %>%
    filter(!is.na(AÑOREG)) %>%
    count(AÑOREG)
  
  ggplot(registros_anio, aes(x = AÑOREG, y = n)) +
    geom_line(color = "#2c3e50", linewidth = 1) +
    geom_point(color = "#e74c3c", size = 3) +
    geom_area(alpha = 0.15, fill = "#3498db") +
    geom_text(aes(label = format(n, big.mark = ",")), vjust = -1, size = 3.2) +
    labs(
      title = "Evolución del Número de Registros por Año",
      x = "Año de Registro", y = "Cantidad de Registros"
    ) +
    scale_x_continuous(breaks = seq(min(registros_anio$AÑOREG), max(registros_anio$AÑOREG), 1)) +
    theme_minimal(base_size = 13) +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold"),
      axis.text.x = element_text(angle = 45, hjust = 1)
    ) +
    scale_y_continuous(expand = expansion(mult = c(0, 0.12)))
}

5.3.2 Distribución Mensual

if("MESOCU" %in% names(datos)) {
  meses_nombres <- c("Ene", "Feb", "Mar", "Abr", "May", "Jun",
                     "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")
  
  registros_mes <- datos %>%
    filter(!is.na(MESOCU), MESOCU >= 1, MESOCU <= 12) %>%
    count(MESOCU) %>%
    mutate(Mes = factor(meses_nombres[MESOCU], levels = meses_nombres))
  
  ggplot(registros_mes, aes(x = Mes, y = n, fill = n)) +
    geom_col(show.legend = FALSE) +
    scale_fill_gradient(low = "#85c1e9", high = "#1a5276") +
    geom_text(aes(label = format(n, big.mark = ",")), vjust = -0.3, size = 3.5) +
    labs(
      title = "Distribución de Ocurrencias por Mes",
      x = "Mes de Ocurrencia", y = "Frecuencia"
    ) +
    theme_minimal(base_size = 13) +
    theme(plot.title = element_text(hjust = 0.5, face = "bold")) +
    scale_y_continuous(expand = expansion(mult = c(0, 0.1)))
}

5.4 Detección de Valores Atípicos y Datos Faltantes

vars_revision <- c("EDADM", "SEMGES", "TOHITE", "TOHINM", "TOHIVI", "ESCOLAM")
vars_revision <- vars_revision[vars_revision %in% names(datos)]

if(length(vars_revision) > 0) {
  resumen_atipicos <- data.frame(
    Variable = character(),
    N_total = integer(),
    N_NA = integer(),
    Porc_NA = numeric(),
    N_codigo_999 = integer(),
    Porc_999 = numeric(),
    stringsAsFactors = FALSE
  )
  
  for(v in vars_revision) {
    vals <- datos[[v]]
    n_total <- length(vals)
    n_na <- sum(is.na(vals))
    n_999 <- sum(vals >= 99 & !is.na(vals))
    
    resumen_atipicos <- rbind(resumen_atipicos, data.frame(
      Variable = v,
      N_total = n_total,
      N_NA = n_na,
      Porc_NA = round(n_na / n_total * 100, 2),
      N_codigo_999 = n_999,
      Porc_999 = round(n_999 / n_total * 100, 2)
    ))
  }
  
  resumen_atipicos %>%
    kable(
      caption = "Detección de Valores Atípicos y Códigos Especiales",
      col.names = c("Variable", "N Total", "N Faltantes (NA)", "% NA", 
                     "N Códigos ≥99", "% Códigos ≥99"),
      align = c('l', rep('r', 5))
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover", "condensed"),
      full_width = FALSE
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#8e44ad")
}

Detección de Valores Atípicos y Códigos Especiales

Variable	N Total	N Faltantes (NA)	% NA	N Códigos ≥99	% Códigos ≥99
EDADM	41623	0	0.00	3429	8.24
SEMGES	41623	0	0.00	5531	13.29
TOHITE	41623	351	0.84	19353	46.50
TOHINM	41623	142	0.34	15159	36.42
TOHIVI	41623	258	0.62	16343	39.26
ESCOLAM	41623	3233	7.77	0	0.00

vars_heatmap <- names(datos)[sapply(datos, is.numeric)]

porc_faltantes <- sapply(datos[vars_heatmap], function(x) {
  na_real <- sum(is.na(x))
  cod_especial <- sum(x %in% c(99, 999, 9999) & !is.na(x))
  round((na_real + cod_especial) / length(x) * 100, 1)
})

df_faltantes <- data.frame(
  Variable = names(porc_faltantes),
  Porcentaje = as.numeric(porc_faltantes)
) %>%
  arrange(desc(Porcentaje))

ggplot(df_faltantes, aes(x = reorder(Variable, Porcentaje), y = Porcentaje, fill = Porcentaje)) +
  geom_col() +
  coord_flip() +
  scale_fill_gradient(low = "#27ae60", high = "#e74c3c", name = "% Datos\nProblema") +
  geom_text(aes(label = paste0(Porcentaje, "%")), hjust = -0.1, size = 3.5) +
  labs(
    title = "Porcentaje de Datos Faltantes o con Códigos Especiales por Variable",
    subtitle = "Incluye NA y códigos como 99, 999, 9999",
    x = NULL, y = "Porcentaje (%)"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    plot.subtitle = element_text(hjust = 0.5, size = 10, color = "gray40")
  ) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.12)))

Observaciones de los Gráficos Exploratorios:

• 📊 Los boxplots revelan la presencia de valores extremos que probablemente corresponden a códigos de datos faltantes (99, 999, 9999)
• 📈 Las distribuciones de densidad muestran el sesgo y la forma real de las variables clave
• 🗓️ La tendencia temporal permite identificar cambios en el volumen de registros a lo largo de los años
• 📅 La distribución mensual muestra si existe estacionalidad en las ocurrencias
• ⚠️ El gráfico de datos faltantes ayuda a priorizar qué variables necesitan limpieza antes de análisis posteriores

---

6 Relaciones entre Variables

6.1 Análisis de Correlación

6.1.1 Matriz de Correlación

# Seleccionar variables numéricas continuas clave para correlación
vars_correlacion <- c("AÑOREG", "MESREG", "EDADM", "SEMGES", 
                      "TOHITE", "TOHINM", "TOHIVI", "ESCOLAM")

# Filtrar solo las que existen en el dataset
vars_correlacion <- vars_correlacion[vars_correlacion %in% names(datos)]

# Crear subset sin NAs
datos_corr <- datos[, vars_correlacion]
datos_corr <- na.omit(datos_corr)

# Calcular matriz de correlación
matriz_correlacion <- cor(datos_corr)

# Mostrar matriz en tabla
matriz_correlacion %>%
  round(3) %>%
  kable(
    caption = "Tabla 11: Matriz de Correlación de Pearson",
    align = 'c'
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover"),
    full_width = FALSE,
    font_size = 11
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#e74c3c")

Tabla 11: Matriz de Correlación de Pearson

	AÑOREG	MESREG	EDADM	SEMGES	TOHITE	TOHINM	TOHIVI	ESCOLAM
AÑOREG	1.000	-0.006	-0.048	-0.224	0.077	0.358	0.222	-0.025
MESREG	-0.006	1.000	-0.015	-0.020	-0.010	-0.004	-0.004	-0.009
EDADM	-0.048	-0.015	1.000	-0.011	0.070	0.050	0.088	0.171
SEMGES	-0.224	-0.020	-0.011	1.000	-0.059	-0.107	-0.087	-0.068
TOHITE	0.077	-0.010	0.070	-0.059	1.000	0.743	0.846	0.176
TOHINM	0.358	-0.004	0.050	-0.107	0.743	1.000	0.599	0.110
TOHIVI	0.222	-0.004	0.088	-0.087	0.846	0.599	1.000	0.166
ESCOLAM	-0.025	-0.009	0.171	-0.068	0.176	0.110	0.166	1.000

# Visualizar matriz de correlación
corrplot(matriz_correlacion, 
         method = "color",
         type = "upper",
         addCoef.col = "black",
         number.cex = 0.7,
         tl.col = "black",
         tl.srt = 45,
         title = "Matriz de Correlación",
         mar = c(0, 0, 2, 0))

6.1.2 Correlaciones Significativas

# Identificar correlaciones significativas (|r| > 0.3)
correlaciones_significativas <- data.frame()

for(i in 1:(ncol(matriz_correlacion)-1)) {
  for(j in (i+1):ncol(matriz_correlacion)) {
    cor_valor <- matriz_correlacion[i, j]
    if(abs(cor_valor) > 0.3) {
      correlaciones_significativas <- rbind(
        correlaciones_significativas,
        data.frame(
          Variable_1 = rownames(matriz_correlacion)[i],
          Variable_2 = colnames(matriz_correlacion)[j],
          Correlacion = cor_valor,
          Fuerza = ifelse(abs(cor_valor) > 0.7, "Fuerte",
                   ifelse(abs(cor_valor) > 0.5, "Moderada", "Débil")),
          Direccion = ifelse(cor_valor > 0, "Positiva", "Negativa")
        )
      )
    }
  }
}

# Ordenar por valor absoluto de correlación
if(nrow(correlaciones_significativas) > 0) {
  correlaciones_significativas <- correlaciones_significativas[
    order(-abs(correlaciones_significativas$Correlacion)), 
  ]
  
  correlaciones_significativas %>%
    mutate(Correlacion = round(Correlacion, 3)) %>%
    kable(
      caption = "Tabla 12: Correlaciones Significativas (|r| > 0.3)",
      col.names = c("Variable 1", "Variable 2", "r", "Fuerza", "Dirección"),
      align = c('l', 'l', 'r', 'c', 'c')
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = FALSE
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#2ecc71")
} else {
  cat("No se encontraron correlaciones significativas (|r| > 0.3)\n")
}

Tabla 12: Correlaciones Significativas (|r| > 0.3)

	Variable 1	Variable 2	r	Fuerza	Dirección
3	TOHITE	TOHIVI	0.846	Fuerte	Positiva
2	TOHITE	TOHINM	0.743	Fuerte	Positiva
4	TOHINM	TOHIVI	0.599	Moderada	Positiva
1	AÑOREG	TOHINM	0.358	Débil	Positiva

6.2 Gráficos de Dispersión

6.2.1 Edad vs Semanas de Gestación

if("EDADM" %in% names(datos) && "SEMGES" %in% names(datos)) {
  ggplot(datos %>% filter(EDADM < 100, SEMGES < 100), 
         aes(x = EDADM, y = SEMGES)) +
    geom_point(alpha = 0.3, color = "#3498db") +
    geom_smooth(method = "lm", color = "#e74c3c", se = TRUE) +
    labs(
      title = "Relación: Edad de la Madre vs Semanas de Gestación",
      x = "Edad de la Madre (años)",
      y = "Semanas de Gestación"
    ) +
    theme_minimal() +
    theme(plot.title = element_text(hjust = 0.5, face = "bold"))
}

6.2.2 Edad vs Total de Hijos

if("EDADM" %in% names(datos) && "TOHITE" %in% names(datos)) {
  ggplot(datos %>% filter(EDADM < 100, TOHITE < 50), 
         aes(x = EDADM, y = TOHITE)) +
    geom_point(alpha = 0.3, color = "#2ecc71") +
    geom_smooth(method = "lm", color = "#e74c3c", se = TRUE) +
    labs(
      title = "Relación: Edad de la Madre vs Total de Hijos Tenidos",
      x = "Edad de la Madre (años)",
      y = "Total de Hijos Tenidos"
    ) +
    theme_minimal() +
    theme(plot.title = element_text(hjust = 0.5, face = "bold"))
}

6.2.3 Semanas vs Hijos Vivos

if("SEMGES" %in% names(datos) && "TOHIVI" %in% names(datos)) {
  ggplot(datos %>% filter(SEMGES < 100, TOHIVI < 50), 
         aes(x = SEMGES, y = TOHIVI)) +
    geom_point(alpha = 0.3, color = "#9b59b6") +
    geom_smooth(method = "lm", color = "#e74c3c", se = TRUE) +
    labs(
      title = "Relación: Semanas de Gestación vs Total de Hijos Vivos",
      x = "Semanas de Gestación",
      y = "Total de Hijos Vivos"
    ) +
    theme_minimal() +
    theme(plot.title = element_text(hjust = 0.5, face = "bold"))
}

6.3 Tablas de Contingencia

6.3.1 SEXO vs ASISREC

if("SEXO" %in% names(datos) && "ASISREC" %in% names(datos)) {
  # Crear tabla
  tabla_sexo_asis <- table(datos$SEXO, datos$ASISREC)
  
  # Mostrar tabla con totales
  addmargins(tabla_sexo_asis) %>%
    kable(
      caption = "Tabla 13: Tabla de Contingencia - SEXO vs ASISREC"
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = FALSE
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#3498db")
  
  # Proporciones por fila (%) - CORRECCIÓN AQUÍ
  cat("\n\nProporciones por fila (%):\n")
  
  (prop.table(tabla_sexo_asis, 1) * 100) %>%
    round(2) %>%
    kable(caption = "Porcentajes por fila") %>%
    kable_styling(bootstrap_options = c("striped", "hover")) %>%
    print()
  
  # Test de independencia Chi-cuadrado
  test_chi <- chisq.test(tabla_sexo_asis)
  
  cat("\n\n**Test de Independencia Chi-cuadrado:**\n")
  cat("- Estadístico χ²:", round(test_chi$statistic, 4), "\n")
  cat("- p-valor:", format.pval(test_chi$p.value, digits = 4), "\n")
  
  if(test_chi$p.value < 0.05) {
    cat("\n**Conclusión:** Las variables NO son independientes (p < 0.05)\n")
    cat("Existe una relación estadísticamente significativa entre SEXO y ASISREC\n")
  } else {
    cat("\n**Conclusión:** Las variables son independientes (p >= 0.05)\n")
    cat("No hay evidencia de relación entre SEXO y ASISREC\n")
  }
}

## 
## 
## Proporciones por fila (%):
## <table class="table table-striped table-hover" style="margin-left: auto; margin-right: auto;">
## <caption>Porcentajes por fila</caption>
##  <thead>
##   <tr>
##    <th style="text-align:left;">  </th>
##    <th style="text-align:right;"> 1 </th>
##    <th style="text-align:right;"> 2 </th>
##    <th style="text-align:right;"> 3 </th>
##    <th style="text-align:right;"> 4 </th>
##    <th style="text-align:right;"> 5 </th>
##    <th style="text-align:right;"> 9 </th>
##   </tr>
##  </thead>
## <tbody>
##   <tr>
##    <td style="text-align:left;"> 1 </td>
##    <td style="text-align:right;"> 68.75 </td>
##    <td style="text-align:right;"> 1.57 </td>
##    <td style="text-align:right;"> 15.22 </td>
##    <td style="text-align:right;"> 0.69 </td>
##    <td style="text-align:right;"> 8.51 </td>
##    <td style="text-align:right;"> 5.26 </td>
##   </tr>
##   <tr>
##    <td style="text-align:left;"> 2 </td>
##    <td style="text-align:right;"> 70.18 </td>
##    <td style="text-align:right;"> 1.62 </td>
##    <td style="text-align:right;"> 14.30 </td>
##    <td style="text-align:right;"> 0.68 </td>
##    <td style="text-align:right;"> 8.06 </td>
##    <td style="text-align:right;"> 5.16 </td>
##   </tr>
##   <tr>
##    <td style="text-align:left;"> 9 </td>
##    <td style="text-align:right;"> 67.54 </td>
##    <td style="text-align:right;"> 0.52 </td>
##    <td style="text-align:right;"> 1.57 </td>
##    <td style="text-align:right;"> 0.00 </td>
##    <td style="text-align:right;"> 26.18 </td>
##    <td style="text-align:right;"> 4.19 </td>
##   </tr>
## </tbody>
## </table>

## 
## 
## **Test de Independencia Chi-cuadrado:**
## - Estadístico χ²: 110.0828 
## - p-valor: < 2.2e-16 
## 
## **Conclusión:** Las variables NO son independientes (p < 0.05)
## Existe una relación estadísticamente significativa entre SEXO y ASISREC

6.3.2 SEXO vs SITIOOCU

if("SEXO" %in% names(datos) && "SITIOOCU" %in% names(datos)) {
  tabla_sexo_sitio <- table(datos$SEXO, datos$SITIOOCU)
  
  addmargins(tabla_sexo_sitio) %>%
    kable(
      caption = "Tabla 14: Tabla de Contingencia - SEXO vs SITIOOCU"
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = FALSE
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#2ecc71")
  
  # Test Chi-cuadrado
  test_chi2 <- chisq.test(tabla_sexo_sitio)
  cat("\n**Chi-cuadrado p-valor:**", format.pval(test_chi2$p.value, digits = 4), "\n")
}

## 
## **Chi-cuadrado p-valor:** < 2.2e-16

6.3.3 AREAG vs ASISREC

if("AREAG" %in% names(datos) && "ASISREC" %in% names(datos)) {
  tabla_area_asis <- table(datos$AREAG, datos$ASISREC)
  
  addmargins(tabla_area_asis) %>%
    kable(
      caption = "Tabla 15: Tabla de Contingencia - AREAG vs ASISREC"
    ) %>%
    kable_styling(
      bootstrap_options = c("striped", "hover"),
      full_width = FALSE
    ) %>%
    row_spec(0, bold = TRUE, color = "white", background = "#9b59b6")
  
  # Test Chi-cuadrado
  test_chi3 <- chisq.test(tabla_area_asis)
  cat("\n**Chi-cuadrado p-valor:**", format.pval(test_chi3$p.value, digits = 4), "\n")
  
  if(test_chi3$p.value < 0.05) {
    cat("\n**Conclusión:** El área geográfica SÍ influye en la asistencia recibida (p < 0.05)\n")
  } else {
    cat("\n**Conclusión:** El área geográfica NO influye significativamente en la asistencia (p >= 0.05)\n")
  }
}

## 
## **Chi-cuadrado p-valor:** < 2.2e-16 
## 
## **Conclusión:** El área geográfica SÍ influye en la asistencia recibida (p < 0.05)

6.4 Visualizaciones de Relaciones

6.4.1 Barras Agrupadas

if("SEXO" %in% names(datos) && "ASISREC" %in% names(datos)) {
  datos_graf <- datos %>%
    filter(!is.na(SEXO) & !is.na(ASISREC) & SEXO %in% c(1, 2)) %>%
    mutate(
      Sexo = factor(SEXO, levels = c(1, 2), 
                    labels = c("Masculino", "Femenino")),
      Asistencia = factor(ASISREC, levels = c(1, 2),
                         labels = c("Sí recibió", "No recibió"))
    ) %>%
    group_by(Sexo, Asistencia) %>%
    summarise(Frecuencia = n(), .groups = "drop")
  
  ggplot(datos_graf, aes(x = Sexo, y = Frecuencia, fill = Asistencia)) +
    geom_bar(stat = "identity", position = "dodge", color = "black") +
    geom_text(aes(label = Frecuencia), 
              position = position_dodge(width = 0.9),
              vjust = -0.5, size = 3.5) +
    scale_fill_manual(values = c("#2ecc71", "#e74c3c")) +
    labs(
      title = "Asistencia Recibida por Sexo",
      x = "Sexo",
      y = "Frecuencia",
      fill = "Asistencia"
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
      legend.position = "top"
    )
}

6.4.2 Boxplots por Grupo

# Boxplot: Edad de la Madre por Sexo del bebé
if("EDADM" %in% names(datos) && "SEXO" %in% names(datos)) {
  datos_box <- datos %>%
    filter(EDADM < 100 & SEXO %in% c(1, 2)) %>%
    mutate(Sexo = factor(SEXO, levels = c(1, 2), 
                        labels = c("Masculino", "Femenino")))
  
  ggplot(datos_box, aes(x = Sexo, y = EDADM, fill = Sexo)) +
    geom_boxplot(alpha = 0.7) +
    scale_fill_manual(values = c("#3498db", "#e74c3c")) +
    labs(
      title = "Distribución de Edad de la Madre por Sexo del Bebé",
      x = "Sexo del Bebé",
      y = "Edad de la Madre (años)"
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold"),
      legend.position = "none"
    )
}

6.4.3 Tendencia Temporal

if("AÑOREG" %in% names(datos)) {
  tendencia_anual <- datos %>%
    group_by(AÑOREG) %>%
    summarise(
      Total_Registros = n(),
      Edad_Promedio = mean(EDADM, na.rm = TRUE),
      Semanas_Promedio = mean(SEMGES, na.rm = TRUE)
    ) %>%
    filter(AÑOREG >= 2009 & AÑOREG <= 2023)
  
  # Gráfico de tendencia
  ggplot(tendencia_anual, aes(x = AÑOREG, y = Total_Registros)) +
    geom_line(color = "#3498db", size = 1.2) +
    geom_point(color = "#e74c3c", size = 3) +
    labs(
      title = "Tendencia de Registros por Año",
      x = "Año",
      y = "Número de Registros"
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(hjust = 0.5, face = "bold"),
      axis.text.x = element_text(angle = 45, hjust = 1)
    ) +
    scale_x_continuous(breaks = seq(2009, 2023, 1))
}

6.5 Resumen de Relaciones

cat("\n")

cat("========================================\n")

## ========================================

cat("RESUMEN DE RELACIONES ENTRE VARIABLES\n")

## RESUMEN DE RELACIONES ENTRE VARIABLES

cat("========================================\n\n")

## ========================================

cat("**CORRELACIONES:**\n")

## **CORRELACIONES:**

cat("--------------\n")

## --------------

if(exists("correlaciones_significativas") && nrow(correlaciones_significativas) > 0) {
  cat("✓ Se encontraron", nrow(correlaciones_significativas), 
      "correlaciones significativas (|r| > 0.3)\n")
  cat("  - Correlación más fuerte: r =", 
      round(max(abs(correlaciones_significativas$Correlacion)), 3), "\n\n")
} else {
  cat("✗ No se encontraron correlaciones fuertes entre variables numéricas\n\n")
}

## ✓ Se encontraron 4 correlaciones significativas (|r| > 0.3)
##   - Correlación más fuerte: r = 0.846

cat("**ASOCIACIONES CATEGÓRICAS:**\n")

## **ASOCIACIONES CATEGÓRICAS:**

cat("-------------------------\n")

## -------------------------

cat("✓ Se analizaron múltiples tablas de contingencia\n")

## ✓ Se analizaron múltiples tablas de contingencia

cat("✓ Se aplicaron pruebas Chi-cuadrado para independencia\n\n")

## ✓ Se aplicaron pruebas Chi-cuadrado para independencia

cat("**HALLAZGOS PRINCIPALES:**\n")

## **HALLAZGOS PRINCIPALES:**

cat("----------------------\n")

## ----------------------

cat("1. Relación entre edad de la madre y total de hijos tenidos\n")

## 1. Relación entre edad de la madre y total de hijos tenidos

cat("2. Posible influencia del área geográfica en la asistencia recibida\n")

## 2. Posible influencia del área geográfica en la asistencia recibida

cat("3. Tendencia temporal observable en el número de registros\n")

## 3. Tendencia temporal observable en el número de registros

cat("4. Distribución relativamente equilibrada entre sexos\n")

## 4. Distribución relativamente equilibrada entre sexos

7 Preguntas de Investigación Basadas en Supuestos

A continuación se plantean cinco hipótesis preliminares basadas en creencias intuitivas sobre el fenómeno estudiado. Cada una será validada o refutada mediante análisis estadístico y visualización.

7.1 Pregunta 1

7.1.1 Hipótesis

Las madres que viven en área rural reciben menos asistencia durante el parto que las que viven en área urbana.

7.1.2 Analisis

# Tabla de contingencia
tabla_area_asis <- table(datos$AREAG, datos$ASISREC)

# Proporciones por fila
prop_area_asis <- prop.table(tabla_area_asis, 1) * 100

kable(round(prop_area_asis,2),
      caption = "Porcentaje de Asistencia por Área Geográfica")

Porcentaje de Asistencia por Área Geográfica

	1	2	3	4	5	9
1	92.51	0.42	2.20	0.17	2.17	2.53
2	3.30	0.90	72.34	2.65	17.71	3.10
9	27.68	12.25	2.13	1.02	8.42	48.51

# Prueba Chi-cuadrado
chisq_area_asis <- chisq.test(tabla_area_asis)
chisq_area_asis

## 
##  Pearson's Chi-squared test
## 
## data:  tabla_area_asis
## X-squared = 31911, df = 10, p-value < 2.2e-16

7.1.3 Interpretación

7.1.4 Discusión

7.2 Pregunta 2

7.2.1 Hipótesis

Las madres de mayor edad tienden a tener más hijos.

7.2.2 Analisis

cor.test(datos$EDADM, datos$TOHITE, use = "complete.obs")

## 
##  Pearson's product-moment correlation
## 
## data:  datos$EDADM and datos$TOHITE
## t = 14.602, df = 41270, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.06208668 0.08128286
## sample estimates:
##        cor 
## 0.07169141

ggplot(datos %>% filter(EDADM < 60, TOHITE < 20),
       aes(x = EDADM, y = TOHITE)) +
  geom_point(alpha = 0.3) +
  geom_smooth(method = "lm", color = "red") +
  theme_minimal() +
  labs(title = "Edad vs Total de Hijos")

7.2.3 Interpretación

7.2.4 Discusión

7.3 Pregunta 3

7.3.1 Hipótesis

Existe estacionalidad en las ocurrencias (algunos meses concentran más casos).

7.3.2 Analisis

registros_mes <- datos %>%
  filter(MESOCU >=1 & MESOCU <=12) %>%
  count(MESOCU)

ggplot(registros_mes, aes(x = MESOCU, y = n)) +
  geom_col(fill = "steelblue") +
  theme_minimal() +
  labs(title = "Distribución mensual de ocurrencias")

7.3.3 Interpretación

7.3.4 Discusión

7.4 Pregunta 4

7.4.1 Hipótesis

Las madres con menor nivel educativo tienen más hijos.

7.4.2 Analisis

cor.test(datos$ESCOLAM, datos$TOHITE, use = "complete.obs")

## 
##  Pearson's product-moment correlation
## 
## data:  datos$ESCOLAM and datos$TOHITE
## t = 34.925, df = 38037, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.1665179 0.1859921
## sample estimates:
##       cor 
## 0.1762722

ggplot(datos %>% filter(ESCOLAM < 20, TOHITE < 20),
       aes(x = ESCOLAM, y = TOHITE)) +
  geom_point(alpha = 0.3) +
  geom_smooth(method = "lm", color = "red") +
  theme_minimal() +
  labs(title = "Escolaridad vs Total de Hijos")

7.4.3 Interpretación

7.4.4 Discusión

7.5 Pregunta 5

7.5.1 Hipótesis

El sitio de ocurrencia influye en la asistencia recibida.

7.5.2 Analisis

tabla_sitio_asis <- table(datos$SITIOOCU, datos$ASISREC)
chisq.test(tabla_sitio_asis)

## 
##  Pearson's Chi-squared test
## 
## data:  tabla_sitio_asis
## X-squared = 56621, df = 40, p-value < 2.2e-16

7.5.3 Interpretación

7.5.4 Discusión

8 Clustering

El objetivo del clustering es identificar grupos homogéneos de registros según características similares.

8.1 Selección de Variables

Usaremos variables numéricas relevantes:

EDADM (edad madre)

SEMGES (semanas gestación)

TOHITE (total hijos)

ESCOLAM (escolaridad)

8.2 Preparacion de variables y generación de clusters

library(cluster)

datos_cluster <- datos %>%
  select(EDADM, SEMGES, TOHITE, ESCOLAM) %>%
  filter(
    EDADM < 60,
    SEMGES < 50,
    TOHITE < 20,
    ESCOLAM < 20
  ) %>%
  na.omit()

# Estandarización
datos_scaled <- scale(datos_cluster)

wss <- numeric(10)

for(i in 1:10){
  wss[i] <- sum(kmeans(datos_scaled, centers=i, nstart=10)$withinss)
}

plot(1:10, wss, type="b",
     xlab="Número de clusters",
     ylab="Suma de cuadrados intra-grupo")

set.seed(123)
k3 <- kmeans(datos_scaled, centers=3, nstart=25)

datos_cluster$cluster <- factor(k3$cluster)

ggplot(datos_cluster, aes(x=EDADM, y=TOHITE, color=cluster)) +
  geom_point(alpha=0.6) +
  theme_minimal() +
  labs(title="Clusters según Edad y Número de Hijos")

aggregate(datos_cluster[,1:4],
          by=list(Cluster=datos_cluster$cluster),
          mean)

8.3 Interpretación de clusters

El método del codo indicó que el número óptimo de grupos es k = 3, ya que a partir de este punto la reducción en la suma de cuadrados intra-grupo se estabiliza, indicando rendimientos decrecientes al aumentar el número de clusters.

El análisis de medias permitió identificar tres perfiles diferenciados:

Cluster 1 (Perfil intermedio educado): Madres con edad promedio de 29 años, nivel educativo medio (≈9 años) y número moderado de hijos (≈3.8). Representa un grupo con características intermedias tanto en edad como en fecundidad.

Cluster 2 (Perfil joven con baja escolaridad): Grupo más joven (≈26 años), con bajo nivel educativo (≈2 años) y menor número de hijos (≈2.7). Puede representar madres en etapa inicial reproductiva y en situación de vulnerabilidad educativa.

Cluster 3 (Perfil de mayor edad y alta fecundidad): Madres de mayor edad (≈36 años), con el mayor número promedio de hijos (≈6.3) y el nivel educativo más bajo (≈1.5 años). Este grupo refleja un patrón de alta fecundidad asociado a baja escolaridad.

Los resultados sugieren una relación estructural entre edad, escolaridad y número de hijos, donde niveles educativos más bajos se asocian con mayor fecundidad. El clustering permitió identificar perfiles poblacionales claramente diferenciados, lo cual puede ser relevante para el diseño de políticas públicas focalizadas.

---

9 Documentación de Operaciones de Limpieza de Datos

A lo largo del análisis exploratorio se aplicaron diversas operaciones de limpieza y filtrado para garantizar la calidad y coherencia de los resultados. A continuación se documenta cada una de ellas de forma estructurada.

9.1 Resumen de Operaciones de Limpieza

operaciones_limpieza <- data.frame(
  No = 1:10,
  Operacion = c(
    "Eliminación de valores NA (na.omit / !is.na)",
    "Exclusión de códigos especiales ≥ 900",
    "Filtro de edad de la madre (EDADM < 100)",
    "Filtro de semanas de gestación (SEMGES < 100)",
    "Filtro de total hijos tenidos (TOHITE < 50)",
    "Filtro de total hijos vivos (TOHIVI < 50)",
    "Validación de meses (MESOCU entre 1 y 12)",
    "Exclusión de sexo no especificado (SEXO ∈ {1, 2})",
    "Acotamiento del rango temporal (2009-2023)",
    "Identificación de códigos 99, 999, 9999 como datos faltantes"
  ),
  Justificacion = c(
    "Los registros con valores faltantes (NA) fueron excluidos en cálculos estadísticos, gráficos y tablas de frecuencia para evitar distorsiones en medias, medianas, correlaciones y pruebas de normalidad.",
    "Variables como EDADM, SEMGES, TOHITE, TOHINM y TOHIVI utilizan códigos numéricos altos (≥ 900) para representar información no disponible. Estos valores fueron excluidos en boxplots y gráficos de densidad para que las distribuciones reflejen solo datos reales.",
    "Se excluyeron registros con EDADM ≥ 100 ya que estos valores corresponden a códigos de datos faltantes (99, 999) y no a edades reales. La edad máxima biológicamente plausible para una madre es menor a 60 años.",
    "Se excluyeron registros con SEMGES ≥ 100 ya que representan códigos de datos faltantes, no semanas de gestación reales. El rango biológico válido es aproximadamente entre 20 y 42 semanas.",
    "Se excluyeron registros con TOHITE ≥ 50 para eliminar códigos especiales de datos faltantes. Es biológicamente improbable que una persona tenga 50 o más hijos.",
    "Se excluyeron registros con TOHIVI ≥ 50 bajo el mismo criterio de plausibilidad biológica y para eliminar códigos especiales.",
    "Se filtraron solo meses válidos (1 a 12), descartando valores fuera de rango que podrían representar errores de digitación o códigos especiales.",
    "En análisis de contingencia y boxplots comparativos se excluyó el código 9 (no especificado) de la variable SEXO para enfocarse en las categorías informativas (1=Masculino, 2=Femenino).",
    "Se acotó el análisis de tendencia temporal al período 2009-2023, que corresponde al rango de años con datos completos y consistentes del dataset.",
    "Los códigos numéricos 99, 999 y 9999 fueron identificados como representaciones de datos faltantes o no especificados en el sistema de registro. Se contabilizaron para medir la calidad de los datos."
  ),
  Variables_Afectadas = c(
    "Todas las variables numéricas y categóricas",
    "EDADM, SEMGES, TOHITE, TOHINM, TOHIVI",
    "EDADM",
    "SEMGES",
    "TOHITE",
    "TOHIVI",
    "MESOCU",
    "SEXO",
    "AÑOREG",
    "EDADM, SEMGES, TOHITE, TOHINM, TOHIVI, ESCOLAM"
  ),
  Seccion_Aplicada = c(
    "Estadísticas descriptivas, pruebas de normalidad, correlaciones, tablas de frecuencia, gráficos",
    "Boxplots comparativos, gráficos de densidad",
    "Gráficos de dispersión (Edad vs Semanas, Edad vs Hijos), boxplots por grupo",
    "Gráficos de dispersión (Edad vs Semanas, Semanas vs Hijos Vivos)",
    "Gráfico de dispersión (Edad vs Total Hijos)",
    "Gráfico de dispersión (Semanas vs Hijos Vivos)",
    "Gráfico de distribución mensual de ocurrencias",
    "Barras agrupadas (Sexo vs Asistencia), boxplots por grupo",
    "Gráfico de tendencia temporal",
    "Detección de valores atípicos, heatmap de datos faltantes"
  ),
  stringsAsFactors = FALSE
)

operaciones_limpieza %>%
  kable(
    caption = "Tabla: Documentación Completa de Operaciones de Limpieza de Datos",
    col.names = c("#", "Operación", "Justificación", "Variables Afectadas", "Sección Aplicada"),
    align = c('c', 'l', 'l', 'l', 'l')
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = TRUE,
    font_size = 11
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#d35400") %>%
  column_spec(2, width = "15em") %>%
  column_spec(3, width = "25em") %>%
  scroll_box(width = "100%", height = "600px")

Tabla: Documentación Completa de Operaciones de Limpieza de Datos

#	Operación	Justificación	Variables Afectadas	Sección Aplicada
1	Eliminación de valores NA (na.omit / !is.na)	Los registros con valores faltantes (NA) fueron excluidos en cálculos estadísticos, gráficos y tablas de frecuencia para evitar distorsiones en medias, medianas, correlaciones y pruebas de normalidad.	Todas las variables numéricas y categóricas	Estadísticas descriptivas, pruebas de normalidad, correlaciones, tablas de frecuencia, gráficos
2	Exclusión de códigos especiales ≥ 900	Variables como EDADM, SEMGES, TOHITE, TOHINM y TOHIVI utilizan códigos numéricos altos (≥ 900) para representar información no disponible. Estos valores fueron excluidos en boxplots y gráficos de densidad para que las distribuciones reflejen solo datos reales.	EDADM, SEMGES, TOHITE, TOHINM, TOHIVI	Boxplots comparativos, gráficos de densidad
3	Filtro de edad de la madre (EDADM < 100)	Se excluyeron registros con EDADM ≥ 100 ya que estos valores corresponden a códigos de datos faltantes (99, 999) y no a edades reales. La edad máxima biológicamente plausible para una madre es menor a 60 años.	EDADM	Gráficos de dispersión (Edad vs Semanas, Edad vs Hijos), boxplots por grupo
4	Filtro de semanas de gestación (SEMGES < 100)	Se excluyeron registros con SEMGES ≥ 100 ya que representan códigos de datos faltantes, no semanas de gestación reales. El rango biológico válido es aproximadamente entre 20 y 42 semanas.	SEMGES	Gráficos de dispersión (Edad vs Semanas, Semanas vs Hijos Vivos)
5	Filtro de total hijos tenidos (TOHITE < 50)	Se excluyeron registros con TOHITE ≥ 50 para eliminar códigos especiales de datos faltantes. Es biológicamente improbable que una persona tenga 50 o más hijos.	TOHITE	Gráfico de dispersión (Edad vs Total Hijos)
6	Filtro de total hijos vivos (TOHIVI < 50)	Se excluyeron registros con TOHIVI ≥ 50 bajo el mismo criterio de plausibilidad biológica y para eliminar códigos especiales.	TOHIVI	Gráfico de dispersión (Semanas vs Hijos Vivos)
7	Validación de meses (MESOCU entre 1 y 12)	Se filtraron solo meses válidos (1 a 12), descartando valores fuera de rango que podrían representar errores de digitación o códigos especiales.	MESOCU	Gráfico de distribución mensual de ocurrencias
8	Exclusión de sexo no especificado (SEXO ∈ {1, 2})	En análisis de contingencia y boxplots comparativos se excluyó el código 9 (no especificado) de la variable SEXO para enfocarse en las categorías informativas (1=Masculino, 2=Femenino).	SEXO	Barras agrupadas (Sexo vs Asistencia), boxplots por grupo
9	Acotamiento del rango temporal (2009-2023)	Se acotó el análisis de tendencia temporal al período 2009-2023, que corresponde al rango de años con datos completos y consistentes del dataset.	AÑOREG	Gráfico de tendencia temporal
10	Identificación de códigos 99, 999, 9999 como datos faltantes	Los códigos numéricos 99, 999 y 9999 fueron identificados como representaciones de datos faltantes o no especificados en el sistema de registro. Se contabilizaron para medir la calidad de los datos.	EDADM, SEMGES, TOHITE, TOHINM, TOHIVI, ESCOLAM	Detección de valores atípicos, heatmap de datos faltantes

9.2 Impacto Cuantitativo de la Limpieza

n_total <- nrow(datos)

impacto <- data.frame(
  Filtro = c(
    "Registros originales",
    "NA en EDADM",
    "NA en SEMGES",
    "EDADM ≥ 100 (códigos especiales)",
    "SEMGES ≥ 100 (códigos especiales)",
    "TOHITE ≥ 50 (códigos especiales)",
    "TOHIVI ≥ 50 (códigos especiales)",
    "SEXO = 9 (no especificado)",
    "MESOCU fuera de rango (1-12)",
    "Códigos 99/999/9999 en cualquier variable numérica"
  ),
  Registros_Afectados = c(
    n_total,
    sum(is.na(datos$EDADM)),
    sum(is.na(datos$SEMGES)),
    if("EDADM" %in% names(datos)) sum(datos$EDADM >= 100, na.rm = TRUE) else 0,
    if("SEMGES" %in% names(datos)) sum(datos$SEMGES >= 100, na.rm = TRUE) else 0,
    if("TOHITE" %in% names(datos)) sum(datos$TOHITE >= 50, na.rm = TRUE) else 0,
    if("TOHIVI" %in% names(datos)) sum(datos$TOHIVI >= 50, na.rm = TRUE) else 0,
    if("SEXO" %in% names(datos)) sum(datos$SEXO == 9, na.rm = TRUE) else 0,
    if("MESOCU" %in% names(datos)) sum(datos$MESOCU < 1 | datos$MESOCU > 12, na.rm = TRUE) else 0,
    sum(sapply(datos[sapply(datos, is.numeric)], function(x) sum(x %in% c(99, 999, 9999), na.rm = TRUE)))
  ),
  stringsAsFactors = FALSE
)

impacto$Porcentaje <- round(impacto$Registros_Afectados / n_total * 100, 2)
impacto$Porcentaje[1] <- 100.00

impacto %>%
  mutate(Registros_Afectados = format(Registros_Afectados, big.mark = ",")) %>%
  kable(
    caption = "Tabla: Impacto Cuantitativo de cada Operación de Limpieza",
    col.names = c("Filtro / Condición", "Registros Afectados", "% del Total"),
    align = c('l', 'r', 'r')
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE,
    position = "center"
  ) %>%
  row_spec(0, bold = TRUE, color = "white", background = "#d35400") %>%
  row_spec(1, bold = TRUE, background = "#f0f0f0")

Tabla: Impacto Cuantitativo de cada Operación de Limpieza

Filtro / Condición	Registros Afectados	% del Total
Registros originales	41,623	100.00
NA en EDADM	0	0.00
NA en SEMGES	0	0.00
EDADM ≥ 100 (códigos especiales)	1,195	2.87
SEMGES ≥ 100 (códigos especiales)	1,310	3.15
TOHITE ≥ 50 (códigos especiales)	19,353	46.50
TOHIVI ≥ 50 (códigos especiales)	16,343	39.26
SEXO = 9 (no especificado)	191	0.46
MESOCU fuera de rango (1-12)	0	0.00
Códigos 99/999/9999 en cualquier variable numérica	75,016	180.23

Notas Importantes sobre la Limpieza:

• ⚠️ Los datos originales no fueron modificados. Todas las operaciones de limpieza se aplicaron como filtros temporales dentro de cada análisis específico, preservando la integridad del dataset original.
• 🔢 Códigos especiales: Los valores 99, 999 y 9999 son convenciones del sistema de registro de defunciones para indicar “dato no especificado” o “dato no disponible”.
• 📊 Criterio de exclusión: Los umbrales utilizados (EDADM < 100, SEMGES < 100, TOHITE < 50, TOHIVI < 50) fueron seleccionados considerando los rangos biológicamente plausibles de cada variable.
• 🔄 Reproducibilidad: Cada filtro está implementado directamente en el bloque de código R correspondiente, lo que garantiza la reproducibilidad completa del análisis.

---

10 Conclusiones

10.1 Hallazgos Principales

10.1.1 1. Descripción General del Dataset

• ✓ Dataset con 41,623 observaciones y 33 variables
• ✓ Período de análisis: 2009-2023
• ✓ Variables clasificadas en cuantitativas (discretas/continuas) y cualitativas (nominales)
• ✓ Significado de cada variable documentado en el diccionario de datos

10.1.2 2. Variables Numéricas

• 📊 Se analizaron 31 variables numéricas
• ✗ La mayoría NO siguen distribución normal (según pruebas de Shapiro-Wilk y Kolmogorov-Smirnov)
• 📈 Predominan distribuciones sesgadas a la derecha
• ⚠️ Se detectan valores atípicos (códigos 999, 9999) que representan datos faltantes
• 📉 Variables como EDADM y SEMGES presentan valores extremos que requieren limpieza

10.1.3 3. Variables Categóricas

• ✓ Se identificaron 22 variables categóricas
• 📊 Tablas de frecuencia generadas para variables clave (SEXO, ASISREC, SITIOOCU, CAUDEF)
• 📈 CAUDEF muestra alta variabilidad de causas de defunción
• 👥 La distribución por sexo es relativamente balanceada

10.1.4 4. Relaciones entre Variables

• 🔗 Matriz de correlación calculada para variables numéricas clave
• 📊 Se identificaron correlaciones significativas entre algunas variables
• ✓ Pruebas de independencia Chi-cuadrado aplicadas a variables categóricas
• 📈 Relación observable entre edad de la madre y total de hijos
• 🏥 Posible influencia del área geográfica (urbana/rural) en la asistencia recibida
• 📅 Tendencia temporal en el número de registros a lo largo de los años

10.1.5 Recomendaciones para Análisis Posteriores

1. Limpieza de datos: Convertir códigos especiales (999, 9999, 99) a valores NA
2. Transformaciones: Considerar transformación logarítmica para variables con sesgo pronunciado
3. Análisis multivariado: Explorar modelos de regresión para relaciones más complejas
4. Análisis geoespacial: Investigar patrones regionales por departamento y municipio
5. Series temporales: Analizar tendencias y estacionalidad en los datos
6. Análisis de supervivencia: Estudiar factores asociados con causas de defunción

---

11 Información de Sesión

sessionInfo()

## R version 4.3.1 (2023-06-16)
## Platform: aarch64-apple-darwin20 (64-bit)
## Running under: macOS 26.2
## 
## Matrix products: default
## BLAS:   /Library/Frameworks/R.framework/Versions/4.3-arm64/Resources/lib/libRblas.0.dylib 
## LAPACK: /Library/Frameworks/R.framework/Versions/4.3-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.11.0
## 
## locale:
## [1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8
## 
## time zone: America/Guatemala
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] cluster_2.1.4    corrplot_0.95    gridExtra_2.3    kableExtra_1.4.0
##  [5] knitr_1.50       ggplot2_3.4.2    nortest_1.0-4    moments_0.14.1  
##  [9] tidyr_1.3.0      dplyr_1.1.2     
## 
## loaded via a namespace (and not attached):
##  [1] sass_0.4.10        utf8_1.2.3         generics_0.1.3     xml2_1.3.8        
##  [5] lattice_0.21-8     stringi_1.7.12     digest_0.6.33      magrittr_2.0.3    
##  [9] evaluate_1.0.4     grid_4.3.1         RColorBrewer_1.1-3 fastmap_1.2.0     
## [13] Matrix_1.5-4.1     jsonlite_2.0.0     mgcv_1.8-42        purrr_1.0.1       
## [17] fansi_1.0.4        viridisLite_0.4.2  scales_1.2.1       textshaping_1.0.1 
## [21] jquerylib_0.1.4    cli_3.6.1          rlang_1.1.1        splines_4.3.1     
## [25] munsell_0.5.0      withr_2.5.0        cachem_1.1.0       yaml_2.3.10       
## [29] tools_4.3.1        colorspace_2.1-0   vctrs_0.6.3        R6_2.5.1          
## [33] lifecycle_1.0.3    stringr_1.5.0      pkgconfig_2.0.3    pillar_1.9.0      
## [37] bslib_0.9.0        gtable_0.3.3       glue_1.6.2         systemfonts_1.2.3 
## [41] xfun_0.52          tibble_3.2.1       tidyselect_1.2.1   rstudioapi_0.17.1 
## [45] farver_2.1.1       nlme_3.1-162       htmltools_0.5.8.1  rmarkdown_2.29    
## [49] svglite_2.2.1      labeling_0.4.2     compiler_4.3.1

---

Fin del Análisis Exploratorio

Documento generado el 16 de February de 2026 a las 00:45:57